CN108257099B - 一种基于视觉对比度分辨率的自适应红外图像增强方法 - Google Patents

Abstract

本发明请求保护一种基于视觉对比度分辨率模型的自适应红外图像增强方法。本发明根据人眼视觉在不同灰度范围内分辨能力具有明显差异的特点，将图像灰度值划分为三个阶段，对应人眼暗视觉、中间视觉、明视觉，进而建立相对应的人眼视觉对比度分辨率模型；通过获取的图像目标和背景的灰度差异，根据模型自适应地将图像目标映射到人眼敏感区域，将图像背景映射到人眼不敏感区域，并通过实际红外图像进行仿真验证。本发明方法实施过程简单，运算量小，增强图像效果明显，具有应用和推广价值。

Description

一种基于视觉对比度分辨率的自适应红外图像增强方法

技术领域

本发明属于图像增强技术领域，具体属于基于视觉仿生的人眼视觉对比度分辨率模型的自适应红外图像增强处理。

背景技术

由红外图像的灰度统计特性得知，红外图像灰度绝大部分集中在相邻灰度级范围，层次感差，不利于人眼发现目标，若主要分布在低灰度级，则图像总体偏暗，因此需要增强处理。传统红外增强方法如直方图均衡化、灰度变换、和局部对比度增强等在增强图像对比度的同时，也放大了背景噪声，图像的层次感不强，视觉效果差。由于图像最终由人眼进行观察，在利用红外图像特点进行增强的同时考虑人眼独特的视觉特性，会使图像灰度分布符合人眼观察，具有较强的层次感，有效改善图像增强效果。

人眼视觉系统以其纷繁复杂的特性处理接收的信息，其中一种特性就是视觉对比度分辨率，人眼对图像灰度细微变化的分辨能力为灰度分辨率，在不同背景灰度下，分辨力存在差异且呈现非线性，即为视觉对比度分辨率。只有当图像灰度之间的差值满足人眼的分辨能力即一定的阈值，才能被人眼识别。由于人眼视觉机制复杂，容易受到生理、心理、环境等因素影响，人眼对于红外图像灰度的视觉对比度分辨率具体精确模型，目前并没有建立起来。赵媛等人在《人类视觉对比度分辨率的非线性补偿》中将灰度划分为[0，47]、[64,255]两个阶段，建立人类视觉对比度分辨率和背景灰度之间的关系，根据这个关系映射红外图像。但这个模型没有针对红外图像，未结合红外图像的特点，忽略了范围在[48,63]的灰度值。

事实上，很多红外图像的灰度值会集中在这个范围内。按照人类视觉生理学，人的视觉分为明视觉、暗视觉和中间视觉。在低灰度级上(如小于灰度级31)为暗视觉，在高灰度级上(如大于灰度级63)为明视觉，中间视觉是介于明视觉和暗视觉之间的亮度水平。当图像背景灰度在31到63之间时，属于中间视觉的讨论范围，而大多红外图像的灰度集中于中间视觉条件。人眼观察中间视觉状态下的图像时，由人眼中杆状细胞和锥状细胞同时发生作用，其研究与单独的明暗视觉相比更为复杂，不能简单地看作只有一种细胞在发生作用。当红外图像的灰度范围处于中间视觉亮度范围时，只有充分分析中间视觉条件人眼灰度分辨能力才能建立符合红外图像灰度分布特点的视觉对比度分辨率，使之更加精准，才能进一步根据模型对红外图像背景和目标分别进行灰度映射。因此我们建立在三种不同视觉条件下的视觉对比度分辨率模型，使得模型充分考虑人眼在不同灰度背景的分辨率特性，具有更高的精确度。

同时，人眼对于某个区域感觉到的亮度不是简单地取决于该区域的强度大小，还取决于目标和背景之间的相对强度。在图像上表现为：图像背景灰度值不同时，图像目标灰度值在客观上即使相同，但人眼感受也有差异，由此造成人眼的对比效应。根据此原理利用视觉对比度分辨率模型可调整红外图像目标和背景将其映射到合适的灰度值，提高图像对比度的同时也便于人眼感知图像目标。

本发明针对现有技术在进行红外图像处理时，大量传统算法未结合视觉仿生知识，不能使红外图像有良好的视觉效果，少量结合视觉仿生的图像增强算法中仿生模型未结合红外图像特点而不精确，提出一种基于三种视觉条件的人眼视觉对比度分辨率模型，这个模型结合红外图像灰度分布的特点，充分考虑人眼对红外图像灰度处于不同视觉状态的分辨能力，进而自适应映射红外图像目标和背景，达到增强图像效果。本发明提出的方法简单，易于实现，在图像增强处理中具有推广应用价值。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种人眼对于目标灰度的亮度感知更加良好、同时抑制背景噪声、使视觉效果达到最佳的基于视觉对比度分辨率的自适应红外图像增强方法。本发明的技术方案如下：

一种基于视觉对比度分辨率的自适应红外图像增强方法，其包括以下步骤：

1)、按照人类视觉生理学中的暗视觉、中间视觉和明视觉，将红外图像的灰度范围划分为三个阶段，建立基于暗视觉、中间视觉、明视觉的视觉对比度分辨率模型CR(g)，模型可精确得到能被人眼识别的灰度差，即人眼视觉对比度分辨率阈值；

2)、通过红外图像目标和背景的分割阈值i获取红外图像自适应非线性变换函数系数k1、k2，k1是背景灰度值的灰度变换系数，k2是目标灰度值的灰度变换系数，结合视觉对比度分辨率模型CR(g)得到最终红外图像自适应非线性变换函数，把红外图像灰度差增大至人眼视觉对比度分辨率阈值以上，把图像目标映射到人眼敏感区域，背景映射到人眼敏感度较低区域。

进一步的，所述步骤1)将红外图像的灰度范围划分为三个阶段：分别为[0，30]，[31，63]，[64，255]三个阶段，分别对应人类视觉生理学中的暗视觉、中间视觉、明视觉，灰度为g，建立模型CR(g)为：

CR(g)表示人眼的灰度分辨阈值，g表示灰度值。

进一步的，所述步骤2)采用最大类间方差法对红外图像进行图像分割得到分割阈值i，小于i的灰度大部分为背景范围灰度，大于i的灰度大部分为目标范围灰度，用下列公式获取自适应变换系数：

式中，f(x,y)为一幅红外图像，x、y表示图像中像素点的坐标值，图像的灰度范围为[f(x,y)_min,f(x,y)_max]，g为红外图像灰度值，CR(g)是人眼灰度分辨率阈值，i为图像目标和背景分割阈值，a为调节因子，控制变换系数的大小，范围为[0.5，1]，根据

的大小取值，

值越大，a值越小，k1是背景灰度值的灰度变换系数，k2是目标灰度值的灰度变换系数。

进一步的，所述自适应变换系数k1小于k2，由于红外图像灰度集中，

小于255，即k1、k2大于1，表示背景范围灰度和目标范围灰度都有一定程度的拉伸，相邻灰度之间能达到了人眼灰度恰可分辨距离，而且目标灰度拉伸程度比背景拉伸程度更大，最终图像自适应非线性变换函数为：

h(x,y)代表最终的图像灰度，g为红外图像灰度值，CR(g)是人眼灰度分辨率阈值，i为红外图像目标和背景的分割阈值，k1、k2为自适应非线性变换系数，f(x,y)_min表示图像最小灰度值，f(x,y)_max表示图像最大灰度值。

进一步的，所述步骤2)采用最大类间方差法对红外图像进行图像分割得到分割阈值i，具体包括步骤：

原始红外图像灰度级为[0,1,2,…,L-1],图像归一化直方图中每个直方图分量i的概率为p_i。通过p_i计算累积和p₁(k)：

通过p_i计算累积均值m(k)：

通过p_i全局灰度均值m_G：

k为图像灰度级，可把图像灰度分为小于k和大于k两类。

2)计算类间方差

3)寻找k^*使其满足以下条件：

k^*即所需要的图像分割阈值。

本发明的优点及有益效果如下：

本发明通过深入研究人眼光学特性，建立了基于暗视觉、中间视觉、明视觉的人眼视觉对比度分辨率模型，此模型结合了红外图像灰度分布信息推导出基于人眼的自适应非线性变换函数，通过不同的变换系数调整图像目标和背景拉伸程度，使人眼对于目标灰度的亮度感知更加良好，同时抑制背景噪声，使视觉效果达到最佳。

附图说明

图1是本发明提供优选实施例流程示意图；

图2为本发明的人眼视觉对比度分辨率模型图；

图3为几种红外图像增强方法效果比较示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

图1为本发明方法的实施流程图，具体包括以下步骤：建立暗视觉、中间视觉和明视觉的人眼视觉对比度分辨率模型，根据模型生成自适应变换系数并确立红外图像非线性变换函数，根据函数对红外图像灰度值进行变换实现仿真验证。下面具体阐述各个步骤的实施过程：

1.建立暗视觉、中间视觉和明视觉的人眼视觉对比度分辨率模型

本发明将人眼亮度特性与红外图像灰度分布大多集中于相邻灰度级范围的特点结合起来，将灰度范围分为三个阶段[0，30]，[31，63]，[64，255]，分别对应人类视觉生理学中的暗视觉、中间视觉、明视觉，建立基于暗视觉、中间视觉、明视觉的视觉对比度分辨率模型，此模型中人眼视觉对比度分辨率随着灰度值变化呈非线性变化，在暗视觉环境下为负指数函数，在中间视觉环境下为幂函数，在明视觉环境下为抛物线函数。

式中，CR(g)表示人眼的灰度分辨阈值，g表示背景灰度值。用人眼视觉对比度分辨阈值来表示人眼视觉对比度分辨率。图2为此视觉对比度分辨率模型图。

从图2中可以看出，视觉对比度分辨率阈值越大，人眼对灰度的分辨能力越低，灰度较高或较低情况下，人眼对灰度的分辨能力较差，在中等灰度条件下，人眼的分辨能力较强。在灰度0附近，人眼的分辨能力最差，不能分辨0灰度级和22灰度级的差别；在灰度122附近，人眼的分辨能力最好，可分辨相差为1的两个灰度级；在灰度255附近，人眼大概可分辨2个灰度级。

2.根据模型生成自适应变换系数并确立红外图像非线性变换函数

根据人眼的灰度分辨率特性调节灰度差，将红外图像的灰度范围拉伸，同时把目标灰度范围映射到人眼分辨能力最强的区域，将背景信息映射到人眼分辨能力较差的区域，可以突出红外图像的目标，抑制背景噪声。

一幅红外图像f(x,y)，x、y表示图像中像素点的坐标值，图像的灰度范围为[f(x,y)_min,f(x,y)_max]，f(x,y)_min表示最小灰度值，f(x,y)_max表示最大灰度值。根据人眼视觉对比度分辨率阈值与背景灰度的关系可将图像灰度进行变换：

式中g为红外图像灰度值，CR(g)是人眼灰度分辨率阈值，K(g)表示变换后的灰度值，k为自适应变换系数，通过红外图像目标和背景的灰度差异自适应获取。

用最大类间方差法对红外图像进行图像分割得到分割阈值i，小于i的灰度大多为背景范围灰度，大于i的灰度大多为目标范围灰度，图像变换后的灰度范围为[h(x,y)_min,h(x,y)_max]，h(x,y)_min表示变换后红外图像最小灰度值，h(x,y)_max表示最大灰度值，一般为[0，255]，本发明用255代替h(x,y)_max。自适应变换系数为：

式中，g为红外图像灰度值，CR(g)是人眼灰度分辨率阈值，i为图像背景和目标的灰度分割阈值a，为调节因子，控制变换系数的大小，范围为[0.5，1]，根据

的大小取值，

值越大，a值越小，k1是背景灰度值的灰度变换系数，k2是目标灰度值的灰度变换系数。由公式可以得出，自适应变换系数k1大于1且小于k2，表示背景范围灰度和目标范围灰度都有一定程度的拉伸，相邻灰度之间都达到了人眼灰度恰可分辨距离，而且目标灰度拉伸程度比背景拉伸程度更大。

由此得到最终自适应非线性变换函数：

h(x,y)代表最终的图像灰度，g为红外图像灰度值，CR(g)是人眼灰度分辨率阈值，i为红外图像目标和背景的分割阈值，k1、k2为自适应非线性变换系数，f(x,y)_min表示图像最小灰度值，f(x,y)_max表示图像最大灰度值。

3.通过红外图像进行仿真验证

选取分辨率为320×240的红外图像进行仿真验证，根据灰度g获取其对比度分辨阈值CR(g)，获取分割阈值i，调节因子a取0.7，进而获得自适应变换系数和自适应非线性变换函数，对红外图像进行灰度拉伸。同时选择直方图均衡化和线性拉伸两种传统方法对此红外图像进行增强，然后从客观和人眼主观两方面对算法进行对比分析。

表1为几种红外图像增强算法，从表中看出，直方图均衡化和线性拉伸后的红外图像平均值太大，图像整体偏亮，发明方法平均亮度处于人眼中间视觉，表明大部分图像背景灰度映射到中间视觉范围内，此时人眼对于红外图像目标的亮度感知更强。本发明方法处理后的图像对比度增益是直方图均衡算法的3.29倍，比灰度线性拉伸算法提高了1.50倍，表明本发明方法对图像对比度的提升效果最好。从峰值信噪比来分析，本发明方法处理后的图像峰值信噪比是直方图均衡算法的2.79倍，是灰度线性拉伸的1.69倍，表明图像背景的噪声得到了适当的抑制，有用信息得到突显。

表1.各算法增强参数表

图3为几种红外图像增强算法效果比较示意图：图A为红外图像原始图像，图B为灰度线性拉伸处理后的红外图像增强效果图，图C为直方图均衡处理后的红外图像增强效果图，图D为本发明提出算法处理的红外图像增强效果图。原始红外图像灰度集中，对比度低，没有层次感，不利于观察目标的细节信息。直方图均衡使图像过度增强，噪声也被增强，视觉效果差；灰度拉伸后的图像对比度有提升但层次感依然不强，整体依然是灰蒙蒙的感觉；本文算法处理后的图像使背景和目标有不同程度的增强，背景噪声被抑制，目标得到了适当的突显，具有层次感，符合人眼的观察特性。

本发明提出一种基于暗视觉、中间视觉和明视觉条件的人类视觉对比度分辨率模型，根据此模型和红外图像目标和背景的灰度差异，生成自适应变换系数，确立红外图像非线性变换函数，自适应地将图像目标映射到人眼敏感区域，将图像背景映射到人眼敏感度较低区域。本发明方法实现简单，运算量小，具有较大的使用价值和使用前景。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于视觉对比度分辨率的自适应红外图像增强方法，其特征在于，包括以下步骤：

1)、按照人类视觉生理学中的暗视觉、中间视觉和明视觉，将红外图像的灰度范围划分为三个阶段，建立基于暗视觉、中间视觉、明视觉的视觉对比度分辨率模型CR(g)，视觉对比度分辨率模型CR(g)用于精确得到能被人眼识别的灰度差，即人眼视觉对比度分辨率阈值；

2)、通过红外图像目标和背景的分割阈值i、视觉对比度分辨率模型获取红外图像自适应非线性变换函数系数k1、k2，k1是背景灰度值的灰度变换系数，k2是目标灰度值的灰度变换系数，结合视觉对比度分辨率模型CR(g)得到最终红外图像自适应非线性变换函数，把红外图像灰度差增大至人眼视觉对比度分辨率阈值以上，把图像目标映射到人眼敏感区域，背景映射到人眼敏感度较低区域。

2.根据权利要求1所述的基于视觉对比度分辨率的自适应红外图像增强方法，其特征在于，所述步骤1)将红外图像的灰度范围划分为三个阶段：分别为[0，30]，[31，63]，[64，255]三个阶段，分别对应人类视觉生理学中的暗视觉、中间视觉、明视觉，灰度为g，建立模型CR(g)为：

CR(g)表示人眼的灰度分辨阈值，g表示灰度值。

3.根据权利要求1所述的基于视觉对比度分辨率的自适应红外图像增强方法，其特征在于，所述步骤2)采用最大类间方差法对红外图像进行图像分割得到分割阈值i，小于i的灰度大部分为背景范围灰度，大于i的灰度大部分为目标范围灰度，用下列公式获取自适应变换系数：

式中，f(x,y)为一幅红外图像，x、y表示图像中像素点的坐标值，图像的灰度范围为[f(x,y)_min,f(x,y)_max]，g为红外图像灰度值，CR(g)是人眼灰度分辨率阈值，i为图像目标和背景分割阈值，a为调节因子，控制变换系数的大小，范围为[0.5，1]，根据

的大小取值，

值越大，a值越小，k1是背景灰度值的灰度变换系数，k2是目标灰度值的灰度变换系数。

4.根据权利要求3所述的基于视觉对比度分辨率的自适应红外图像增强方法，其特征在于，所述自适应变换系数k1小于k2，由于红外图像灰度集中，

小于255，即k1、k2大于1，表示背景范围灰度和目标范围灰度都有一定程度的拉伸，相邻灰度之间能达到了人眼灰度恰可分辨距离，而且目标灰度拉伸程度比背景拉伸程度更大，最终图像自适应非线性变换函数为：

h(x,y)代表最终的图像灰度，g为红外图像灰度值，CR(g)是人眼灰度分辨率阈值，i为红外图像目标和背景的分割阈值，k1、k2为自适应非线性变换系数，f(x,y)_min表示图像最小灰度值，f(x,y)_max表示图像最大灰度值。

5.根据权利要求3或4所述的基于视觉对比度分辨率的自适应红外图像增强方法，其特征在于，所述步骤2)采用最大类间方差法对红外图像进行图像分割得到分割阈值i，具体包括步骤：

原始红外图像灰度级为[0,1,2,…,L-1],图像归一化直方图中每个直方图分量i的概率为p_i，通过p_i计算累积和P₁(k)：

通过p_i计算累积均值m(k)：

通过p_i全局灰度均值m_G：

k为图像灰度级，可把图像灰度分为小于k和大于k两类；

2)计算类间方差

3)寻找k^*使其满足以下条件：

k^*即所需要的图像分割阈值。

Images